Istraživanje je pokazalo da veštačka inteligencije funkcioniše jednako dobro kao ljudi, ili čak bolje, u uklapanju novonaučenih reči u postojeći rečnik i u njihovom korišćenju u novim kontekstima, što je ključni aspekt ljudske kognicije, poznat kao sistemska generalizacija.
U novoj studiji objavljenoj u časopisu Nature naučnici su pokazali da se veštačka inteligencija (AI) u obliku neuronske mreže može istrenirati da ispoljava svojstvo sistemske generalizacije u jeziku kakva je svojstvena ljudskoj inteligenciji.Istraživanje je pokazalo da veštačka inteligencije funkcioniše jednako dobro kao ljudi, ili čak bolje, u uklapanju novonaučenih reči u postojeći rečnik i u njihovom korišćenju u novim kontekstima, što je ključni aspekt ljudske kognicije, poznat kao sistemska generalizacija.To znači da neuronske mreže sada mogu kombinovati koncepte na način koji je bliži ljudskom učenju nego što su to postizali raniji modeli veštačke inteligencije.
Ova studija predstavlja velik zaokret u decenijama dugoj raspravi u kognitivnoj nauci koja istražuje kakav bi računar najbolje predstavljao ljudski um.Od osamdesetih prošlog veka jedna družina kognitivnih naučnika tvrdila je da neuronske mreže, modeli u veštačkoj inteligenciji koji oponašaju ljudski mozak da prepoznaje obrasce i donosi odluke, nisu održivi prikazi uma jer njihova arhitektura ne uspeva da uhvati ključne odlike ljudskog načina razmišljanja.Šta je sistemska generalizacija?
Za razliku od ljudi, neuronske mreže imaju problema s korišćenjem novih reči sve dok se ne uvežbaju na mnogim primerima tekstova koji ih koriste. Istraživači veštačke inteligencije raspravljali su gotovo 40 godinao tome mogu li neuronske mreže ikada biti verovatan model ljudske kognicije ako ne mogu pokazati ovu vrstu generalizacije.
Autori u uvodu ističu da moć ljudskog jezika i misli proizlazi iz sistemske generalizacije, sposobnosti razumevanja i stvaranja novih kombinacija od poznatih komponenti.Sistemska generalizacija se ogleda, pored ostalog, u sposobnosti ljudi da bez napora koriste novonaučene reči u novim kontekstima. Na primer, ako neko razume rečenicu „mačka lovi psa”, takođe će, bez mnogo dodatnog razmišljanja, razumeti i „pas lovi mačku”.No ta sposobnost nije inherentna neuronskim mrežama, modelima koji su istraživanjem veštačke inteligencije dominirali krajem osamdesetih, rekao je za Nature News koautor studije Brenden Lejk, kognitivni računarski naučnik sa Univerziteta Njujork.Za razliku od ljudi, neuronske mreže imaju problema s korišćenjem novih reči sve dok se ne uvežbaju na mnogim primerima tekstova koji ih koriste. Istraživači veštačke inteligencije raspravljali su gotovo 40 godina o tome mogu li neuronske mreže ikada biti verovatan model ljudske kognicije ako ne mogu pokazati ovu vrstu generalizacije.
„Poznato je da su Sabina Fodor i Zenon Pilišin tvrdili da veštačke neuronske mreže nemaju taj kapacitet i da stoga nisu održivi modeli uma. U godinama koje su usledile neuronske mreže znatno su napredovale, no problem generalizacije je ostao. U ovom naučnom radu uspješno rešavamo izazov Sabine Fodor i Zenona Pilišina pružajući dokaze da neuronske mreže mogu postići sistematičnost sličnu ljudskoj kada su optimizovane za kombinatorne veštine”, tumače u uvodu autori.Drugim rečima, novo istraživanje pokazalo je da neuronske mreže, kada se istreniraju na odgovarajući način, odgovarajućom metodom, mogu steći ljudsku sposobnost sistemske generalizacije.
„Naše istraživanje sugeriše da se ovaj ključni aspekt ljudske inteligencije… praksom može steći pomoću modela koji je bio odbačen zbog nedostatka tih sposobnosti”, naglasio je Lejk.Neuronske mreže donekle oponašaju strukturu ljudskog mozga jer su njihovi čvorovi za obradu informacija povezani jedan s drugim, slično kao neuroni u mozgu, a obrada podataka odvija se u hijerarhijskim slojevima, takođe slično kao u ljudskom mozgu. Međutim, istorijski posmatrano, sistemi veštačke inteligencije nisu se ponašali poput ljudskog uma jer nisu imali sposobnost kombinovanja poznatih koncepata na nove načine, što je sposobnost koja se u stručnim krugovima naziva sistemska generalizacija.
Za ilustraciju, Brenden Lejk je objasnio da standardnoj neuronskoj mreži koja nauči reči „skoči”, „dvaput” i „ukrug” treba pokazati mnogo primera kako se te reči mogu kombinovati u smislene fraze, poput „skoči dvaput” i „skači ukrug”.Ako se sistemu potom doda nova reč, poput „vrti se”, on bi ponovo trebalo da vidi hrpu primera da bi naučio kako nju koristiti na sličan način.U novoj studiji Lejk i koautor studije Marko Baroni sa Univerziteta Pompeu Fabra u Barceloni testirali su modele veštačke inteligencije i ljudske dobrovoljce koristeći izmišljeni jezik s nepostojećim rečima poput „dax” i „wif”.Te reči su odgovarale obojenim tačkama ili, pak, nekoj funkciji koja na neki način manipuliše redosledom obojenih tačaka u nizu. Drugim rečima, sekvence reči određivale su redosled u kojem su se pojavile obojene tačke.
Suočeni s besmislenim frazama, ljudi i veštačka inteligencija morali su otkriti temeljna gramatička pravila koja određuju koje tačke idu uz koje reči.Ljudski učesnici uspevali su pogoditi ispravne sekvence tačaka u oko 80% slučajeva. A kada nisu uspeli, pravili su dosledne vrste grešaka, kao što je, primerice, mišljenje da neka reč predstavlja jednu tačku umesto funkcije koja reorganizuje redosled tačaka.Nakon testiranja sedam modela veštačke inteligencije, naučnici su pronašli metodu nazvanu metaučenje za kompozicionisanje (MLC), koja je neuronskoj mreži omogućila da vežba primenu različitih skupova pravila na novonaučene reči, uz povratne informacije o tome da li je ispravno primenila pravila.
Studija je pokazala da je neuronska mreža obučena MLC-om uspevala rešavati testove podjednako dobro kao ljudi ili čak bolje.Autori su, takođe, suprotstavili MLC dvama modelima temeljenim na neuronskim mrežama koje je razvio OpenAI, kompanja koja stoji iza ChatGPT-ja. Otkrili su da su i MLC i ljudi imali daleko bolje rezultate na testu s tačkama od modela OpenAI-ja. Usto, pokazalo se da MLC, takođe. može rešavati neke druge zadatke koji su uključivali tumačenje pisanih uputstava i značenja rečenica.
„Postigli su impresivan uspjeh u tom zadatku, u izračunavanju značenja rečenica”, istakao je Pl Smolensky, iprofesor kognitivnih nauka na Džons Hopkinsu i viši glavni istraživač u Microsoft Research-u, koji nije bio uključen u novu studiju.No, stručnjaci ističu da je model veštačke inteligencije još ograničen u svojim sposobnostima generalizacije. „Mogao je raditi na tipovima rečenica na kojima je trenirao, ali nije mogao generalizovati u nove tipove rečenica”, istakao je Smolenski za Live science. Naglasio je da se, uprkos postojećim ograničenjima,„do ovog rada stvarno nije uspevalo istrenirati mrežu da bude potpuno kompozicionalna”, dodavšida je poboljšanje sposobnosti MLC-a da ispoljava sistemsku generalizaciju važan sledeći korak na tom putu. „To je središnje svojstvo koje nas čini inteligentnima, stoga ga moramo postići. Ovaj rad nas vodi u tom smeru, no za sada to još ne postiže.”
(Ilustracija Shutterstock)
(Indeks)
